如何数据模拟多场美式橄榄球比赛？

本文使用R语言模拟美国橄榄球比赛的数据，我们将完成以下部分的工作。在我们完成了单场比赛的模拟后，我们可以非常方便地进行多场比赛的模拟。首先，我们需要通过循环语句实现多场比赛的时间表，并将单场比赛的模拟嵌入循环语句中；同时，我们需要变量来记录每支球队的胜利和失败。下面，我们将一步一步地展示如何模拟多场比赛。一旦你完成了单场比赛的模拟，我们就完成了本部分的三分之一的代码。处理过程按照我们既定的想法完成以下模拟。1.如前所述，我们首先需要制定一个时间表，即决定每场比赛的对抗。在许多决定方法中，NFL将有一个更好的时间表。但是，我们可以从以下任何方面的时间表来看，我们可以通过下面的时间表来模拟自己的时间表。但是，我们可以从下面的时间表来看，我们可以更好地输入到下面的时间表。但是如何通过下面的时间表来模拟时间表。我们可以更好地考虑如何通过下面的代码。games_per_team<-50for(weekin1):games_per_team){home_index<-sample(1:32,16,replace=F)home_teams<-data.frame(HomeTeam=offense[home_index,1])away_teams<-data.frame(AwayTeam=offense[-home_index,1])if(week==1){schedule<-cbind(Week=week,HomeTeam=home_teams,AwayTeam=away_teams)}else{temp<-cbind(Week=week,HomeTeam=home_teams,AwayTeam=away_teams)schedule<-rbind(schedule,temp)}}通过上述代码，我们得到了下图中显示的数据框变量。然而，由于sample函数的随机性，读者执行代码产生的主队和客队并不一定与这里的团队名称完全匹配。2.确定时间表后，我们现在可以记录每支球队的结果。records<-data.frame(Team=offense$Team)records$Wins<-0records$Losses<-0通过执行上述代码，我们可以获得以下数据框。3.现在我们需要通过程序自动实现每场比赛，并更新记录每支球队的输赢记录。我们通过在for循环中嵌入上一节中的代码来实现多场比赛。我们分步拆分for循环如下。for(iin1:nrow(schedule)){home_team<-schedule[i,2]away_team<-schedule[i,3]week<-schedule[i,1]本代码确定与模拟赛程中的周数相同的周数，并在每个周期中记录主队、客队和比赛的周数。4.下一个循环部分是我们以前的代码。本代码通过比较传球、影响和整体能力的差异来确定每场比赛的获胜者。off_game<-subset(offense,Team==home_team |Team==away_team)[,c(1，15，16，19)def_game<-subset(defense,Team==home_team|Team==away_team)[,c(1，14，15，18)game<-merge(off_game,def_game,by.x=”Team”,by.y=”Team”)game$Net_Pass[game$Team==home_team]<-game$OPassStrength[game$Team==home_team]–game$DPassStrength[game$Team==away_team]game$Net_Pass[game$Team==away_team]<-game$OPassStrength[game$Team==away_team]–game$DPassStrength[game$Team==home_team]game$Net_Rush[game$Team==home_team]<-game$ORushStrength[game$Team==home_team]–game$DRushStrength[game$Team==away_team]game$Net_Rush[game$Team==away_team]<-game$ORushStrength[game$Team==away_team]–game$DRushStrength[game$Team==home_team]game$Net_Total[game$Team==home_team]<-game$OffStrength[game$Team==home_team]–game$DefStrength[game$Team==away_team]game$Net_Total[game$Team==away_team]<-game$OffStrength[game$Team==away_team]–game$DefStrength[game$Team==home_team]game$Net_Total<-game$Net_Pass game$Net_Rush game$Net_Totalif(game$Net_Total[game$Team==home_team]>=game$Net_Total[game$Team==away_team]){winner<-home_teamloser<-away_team}else{winner<-away_teamloser<-home_team}5.本段代码记录每场比赛的结果，并更新整个赛季各队的输赢记录。if(i==1){winnerdf<-data.frame(Winner=winner)loserdf<-data.frame(Loser=loser)results<-cbind(winnerdf,loserdf)}else{winnerdf<-data.frame(Winner=winner)loserdf<-data.frame(Loser=loser)temp<-cbind(winnerdf,loserdf)results<-rbind(results,temp)}records$Wins[records$Team==winner]<-as.numeric(records$Wins[records$Team==winner]) 1records$Losses[records$Team==loser]<-as.numeric(records$Losses[records$Team==loser]) 1print(paste(“Week”,week,”:”,winner,“beat”,loser))}[1]“Week1:DenverBroncosbeatSanDiegoChargers[1]“Weeek1”:IndianapolisColtsbeatChicagoBears[1]“Weeek1”:SanFrancisco49ersbeatPhiladelphiaEagles[1]“Weeek1”:TennesseeTitansbeatDallasCowboys[1]“Weeek1”:CincinnatiBengalsbeatBaltimoreRavens[1]“Weeek1”:SeattleSeahawksbeatDetroitLions[1]“Weeek1”:GreenBayPackersbeatNewEnglandPatriots[1]“Weeek1”:PittsburghSteelersbeatMinnesotaVikings“for循环后产生的results变量如下图所示。6.最后，我们通过对每支球队获胜次数的降序来决定本赛季的最终获胜者。6.最后，我们通过对每支球队获胜次数的降序来决定本赛季的最终获胜者。records<-records[order(-records$Wins),]排序后的数据框架如下图所示。通过比较2013赛季的真实结果(见下图)，我们可以看到模拟赛季前十名中的七支球队也在榜单上。这说明我们模拟赛季的结果是合理的。当然，我们也可以通过其他方法进行更准确的赛季模拟。在本节中，我们使用sample函数每周随机生成对双方的对抗。home_index<-sample(1:32,16,replace=F)以上sample函数从32支球队中随机选出16支球队作为主队，无需放回。其中home_index的队伍是主队，其他队伍是客队。同时，我们可以利用for循环来实现每一场比赛，并决定每一场比赛的胜负。for(iintimes-you-want-to-loop){dowhatyouwanttorepeat}你可以在for循环中实现任何你想要实现的逻辑。而且，正如我们在本节中实现的，条件表达式可以嵌入到for循环中。在本章中，我们利用R实现了计算、比较和绘图，甚至利用R编程语言的特性完全实现了竞争模拟引擎。在这个模拟引擎中，我们可以计算每个足球队在过去每场比赛中的表现，以及球队之间的相对优缺点。通过实现本章的逻辑，我们回答了一些基本问题，并给出了一些基本的统计变量。读者可以通过对这个项目进行更多的探索来锻炼他们使用R的能力。读者可以尝试提高本章提出的能力指数计算方法。在计算能力指数时，我们可以引入更多的变量，或者给每个变量不同的权重。更重要的是，读者可以尝试使用其他或自己建立的公式。实践数据科学的一个非常重要的过程是设计不同的实验来尝试和迭代。因此，更多的尝试和记录每个实验结果的质量可以帮助你探索更好的计算能力指数。探索的另一个方向是实现更接近现实的模拟。因此，读者可以使用真实的时间表，而不是我们模拟的时间表。当我们计算的能力指数显示比赛应该是平局时，我们可以通过引入概率变量来解释比赛的结果。同样，在这个方向上做更多的尝试和迭代可以帮助读者更好地接近现实，解释现实。如果您想为模型增加更多的变量和粒度，您可以介绍每个球员的统计变量，甚至球队球员的伤病信息，以帮助您预测球队未来的表现。但是，另一个非常有趣的研究方向是预测来自不同赛季的冠军队伍在对抗中的表现。例如，现任超级碗冠军Seatleseahawks将如何对抗前冠军NewenglandPatriots和NewyorkGiants，读者可以设计自己的逻辑来决定哪支球队是过去十年中最好的。